应用AR模型的IMU误差系数漂移预测研究

将影响 IMU误差系数漂移并难于分离的多种因素综合为一种因素 ,假定 IMU误差系数的漂移由一特定系统所引起 ,从而采用时间序列建模方法进行 IMU误差系数漂移的预测。该方法具有消除各因素具体分析中的不确定性并减少其工作量的优点。文中描述了其原理 ,对某惯组的 3 3个误差系数进行了时间序列建模与预测并得到有效的结果。

基于演化建模的IMU误差系数漂移预测研究

将影响IMU误差系数漂移并难于分离的多种因素综合为一种因素,假定IMU误差系数的漂移由一特定系统所引起,引入高阶微分方程模型代替传统时间序列分析中的AR、ARMA等模型对IMU误差系数漂移进行建模分析,采用将遗传程序设计与遗传算法相嵌套的演化算法,实现了建模过程的自动化。实例表明:演化算法可消除各因素具体分析中的不确定性,由计算机自动发现符合要求的高阶微分方程模型,模型的拟合和预测效果均较好。

惯性测量组合误差系数漂移的贝叶斯估计

提出了测试时间间隔对惯性测量组合误差系数影响的独立条件 ;采用误差系数漂移率评定干扰因素对惯性测量组合的影响度量 ;利用 Bayes方法 。

应用自回归模型的IMU误差系数漂移预测研究

将影响IMU误差系数漂移并难于分离的多种因素综合为一种因素,假定IMU误差系数的漂移由一特定系统所引起,从而采用时间序列建模方法进行IMU误差系数漂移的预测.该方法具有消除各因素具体分析中的不确定性并减少其工作量的优点.本文描述了其原理,对某惯组的33个误差系数进行了时间序列建模与预测,并得到了有效的结果.最后,阐述了存在的问题及其解决方法.

捷联陀螺漂移误差系数预测方法研究

针对目前通用的均值估计法和AR(P)模型直接预测法对捷联陀螺漂移误差系数预测精度不高的情况,对AR(P)模型直接预测法进行了改进,建立了基于误差系数漂移量的AR(P)模型,首先预测漂移量,进而预测出漂移误差系数值。通过仿真实例对3种方法的预测效果进行比较分析,结果证明本文提出的预测方法优于目前通用的两种预测方法。

应用SVR的陀螺漂移误差系数预测

针对目前小样本容量的陀螺漂移误差系数预测精度不高的问题,文中采用支持向量回归算法对陀螺漂移误差系数进行了预测研究,并以某型陀螺某项漂移误差系数的历史数据为例进行了预测.结果表明,应用支持向量回归算法进行陀螺漂移误差系数预测,能够给出良好的预测结果,且预测值和实际值之间达到高度拟合。

一种改进的SVR方法预测陀螺漂移误差系数

应用支持向量回归算法预测小样本问题，可以取得较高的预测精度，但是支持向量回归算法本身的参数选取缺乏科学方法，一般通过交叉验证确定。应用粒子群优化算法对支持向量回归参数进行优化选取，并以某型陀螺某项漂移误差系数的历史数据为例，进行了预测计算。结果表明，经过优化选择参数的支持向量回归算法，能够给出很好的预测结果，且训练样本的预测值和实际值之间达到高度拟合。

捷联惯组误差系数预测应用研究

针对目前小样本容量的捷联惯组误差系数预测精度不高的问题,采用最小二乘支持向量机(LS-SVM)对捷联惯组误差系数进行了预测研究,并以某型捷联惯组的某项陀螺漂移误差系数的历史数据为例进行了预测。结果表明,最小二来支持向量机具有优秀的小样本数据学习能力和预测能力。

基于LS-SVM的捷联惯组误差系数预测与研究

针对目前小样本容量的捷联惯组误差系数预测精度不高的问题,采用最小二乘支持向量机(LS-SVM)对捷联惯组误差系数进行了预测研究,并以某型捷联惯组的某项陀螺漂移误差系数的历史数据为例进行了预测。结果表明,最小二乘支持向量机具有优秀的小样本数据学习能力和预测能力。

基于LS-SVM的捷联惯组误差系数预测

针对目前小样本容量的捷联惯组误差系数预测精度不高的问题,采用最小二乘支持向量机(LS-SVM)对捷联惯组误差系数进行了预测研究,并以某型捷联惯组的某项陀螺漂移误差系数的历史数据为例进行了预测。结果表明,最小二乘支持向量机具有优秀的小样本数据学习能力和预测能力。

遗忘因子最小二乘支持向量机及在陀螺仪漂移预测中的应用研究

以陀螺仪漂移误差系数时间序列预测为对象,研究并提出了遗忘因子最小二乘支持向量机算法。构造了以多项式、径向基、小波函数为核函数的支持向量机(SVM)、最小二乘支持向量机(LSSVM)、遗忘因子最小二乘支持向量机(FFLSSVM),比较了它们用于强非线性测试集的泛化性能。实验结果表明:FFLSSVM比由相应核函数构成的SVM、LSSVM自适应性强、预测精度高;三种核函数生成L2(R)子空间上完备基的能力不同,导致三个FFLSS-VM逼近任意目标函数的精度有差异;遗忘因子最小二乘小波核支持向量机可有效地用于陀螺漂移误差动态补偿、可靠性辅助决策、故障预测。

基于主客观信息的惯性制导系统误差预测方法

由于惯导系统的使用寿命短,客观测试数据是小样本数据,传统支持向量机预测方法虽能根据小样本的客观数据预测出惯性制导系统误差,其核函数却不一定符合具体问题的物理意义,且未利用工程中所获得的主观信息。提出了一种新的基于专家知识的核函数,该核函数利用专家知识衡量不同预测因子对预测对象的影响程度。实验证明,该算法减少了惯性制导系统的测试次数,间接延长了惯导系统的寿命。